基于复杂社会网络的微博营销理论
发布时间：2020-06-04 11:32
【摘要】：随着微博以及电子商务的快速发展,微博营销已经成为企业不可忽视的重要的网络营销和新型的信息传播方式.在传染病模型中SIR模型的基础上,结合微博网络具有无标度网络性质的这一特点,对该信息传播过程进行数学建模.并由计算得出平均场方程,再通过拟合参数,用Matlab对信息传播过程进行模拟.研究"唤醒率"对信息传播速度及最终规模的影响.企业可以通过采取相应措施来控制参数,扩大营销规模,更加高效地对微博营销这一"新媒体营销"进行推广和发展.
【图文】：
此条信息暂时忘记或者完全不感兴趣，，此刻，他由无知者变为冬眠者(在这里本文没有对此项概率参数进行研究);若要传播信息，那么就以的速率变为传播者．过程2:当传播者忘记所传信息，从而以β的速率转变为冬眠者;另一方面，当传播者接触免疫者时，对此条信息失去兴趣从而以α的速率转变为免疫者．过程3:当冬眠者接触领袖传播者时，此时他被唤醒，然后便以δ的速率变为传播者．图1所示的流程图即为该数学模型的最形象化描述．图1流程图信息传播过程:1)当一个无知者遇到一个传播者时，可以有如下两种选择:1、以λ的速率转化为传播者;2、无知者对此条微博信息毫无兴趣，或者辨不出真假，或者忘记了，然后以某一速率转化为冬眠者．2)当一个传播者遇到一个免疫者时，也可以有如下两种选择:1、传播者受到免疫者的蛊惑，以α的概率转化为免疫者;2、传播者对此条微博信息暂时性失去兴趣，或者由于传播者本身大量的刷微博行为，导致他暂时性忘记，从而以β的概率转化为冬眠者．3)最后这一点是最关键的．之前无数研究证明，微博的网络拓扑结构是服从幂律分布的．和均匀网络有所不同的是，网络中节点之间的度相差很大，在大家的度原本都差不多的前提下，突然冒出少数一些度很大很大的节点，这就是我们的领袖传播者．比如明星、知名媒体、权威人士、商界精英等，他们的观点在很大程度上是可以影响多数信任或者崇拜他们的人的观点的，甚至可以引领时代潮流．因此，当冬眠者遇到这些领袖传播者之后，会有极大的被唤醒的可能，从而以δ的概率转化为传播者，继续对此条微博信息进行传播．2建立平均场方程统计物理学的平均场理论［10］是一种研究系统热力学性质的近似方法．它起源于物理学中对大量对等物体
r(k，t)dt=kαρs(k，t)∑k'P(k'|k)ρs(k'，t)(10)3Matlab仿真本文考虑的微博网络是一个具有N个结点的无标度网络，每个结点代表一个微博用户．假设微博信息传播初期，只有一个传播者，剩下的所有人都是无知者，并令N=104，I(0)=104－1104，S(0)=1104，Ｒ(0)=L(0)=0．在给定参数α=1，β=0．8，λ=0．8，δ=0．3，＜k＞=15的条件下，微博中无知者、传播者、冬眠者、免疫者四类人的数量(这里是用每一类群体数量占种群总数量的比例，即密度来表示的)随时间的变化如图2所示．3．1四类人所占比例随时间的变化由图2可以看出，随着时间的推移，无知者的数量(表现在图中即为密度)在不断减少，并且在某一段时间内其数量迅速减少，最终缓慢地趋向于零．传播者在信息传播前期其数量不断增大，之后随着时间推移慢慢趋于零，最终消失．免疫者一开始数量逐渐增大，然后在信息传播的末期，由于大部分人已经对该信息有所了解却不再去向他人传播，此时除了极少数对该信息依然处于无知者状态，剩下的便全都成为了免疫者．冬眠者的数量开始在不断增大，达到一定值的时候，慢慢降下来，最后其数量慢慢趋于平稳状态，这正是由于领袖传播者的唤醒作用所导致．以上分析就是这四类人的数量变化．图2四类人的密度时间的变化3．2唤醒率δ仿真与分析本文根据实际情况加入了对唤醒率这个参数的考量，通过δ来衡量领袖传播者对冬眠者的唤醒力．本节通过Matlab来模拟唤醒率对现实中这三类人的数量以及变化速度的影响．在图3中，均设定λ=0．8，α=1，β=0．8，＜k＞=15，唤醒率δ分别等于0．6，0．7，0．8．由图3(A)可知，唤醒率δ越第6期李玲，等:基于复杂社会网络的微博营销理论·747·
本文编号：2696323
【图文】：
此条信息暂时忘记或者完全不感兴趣，，此刻，他由无知者变为冬眠者(在这里本文没有对此项概率参数进行研究);若要传播信息，那么就以的速率变为传播者．过程2:当传播者忘记所传信息，从而以β的速率转变为冬眠者;另一方面，当传播者接触免疫者时，对此条信息失去兴趣从而以α的速率转变为免疫者．过程3:当冬眠者接触领袖传播者时，此时他被唤醒，然后便以δ的速率变为传播者．图1所示的流程图即为该数学模型的最形象化描述．图1流程图信息传播过程:1)当一个无知者遇到一个传播者时，可以有如下两种选择:1、以λ的速率转化为传播者;2、无知者对此条微博信息毫无兴趣，或者辨不出真假，或者忘记了，然后以某一速率转化为冬眠者．2)当一个传播者遇到一个免疫者时，也可以有如下两种选择:1、传播者受到免疫者的蛊惑，以α的概率转化为免疫者;2、传播者对此条微博信息暂时性失去兴趣，或者由于传播者本身大量的刷微博行为，导致他暂时性忘记，从而以β的概率转化为冬眠者．3)最后这一点是最关键的．之前无数研究证明，微博的网络拓扑结构是服从幂律分布的．和均匀网络有所不同的是，网络中节点之间的度相差很大，在大家的度原本都差不多的前提下，突然冒出少数一些度很大很大的节点，这就是我们的领袖传播者．比如明星、知名媒体、权威人士、商界精英等，他们的观点在很大程度上是可以影响多数信任或者崇拜他们的人的观点的，甚至可以引领时代潮流．因此，当冬眠者遇到这些领袖传播者之后，会有极大的被唤醒的可能，从而以δ的概率转化为传播者，继续对此条微博信息进行传播．2建立平均场方程统计物理学的平均场理论［10］是一种研究系统热力学性质的近似方法．它起源于物理学中对大量对等物体
r(k，t)dt=kαρs(k，t)∑k'P(k'|k)ρs(k'，t)(10)3Matlab仿真本文考虑的微博网络是一个具有N个结点的无标度网络，每个结点代表一个微博用户．假设微博信息传播初期，只有一个传播者，剩下的所有人都是无知者，并令N=104，I(0)=104－1104，S(0)=1104，Ｒ(0)=L(0)=0．在给定参数α=1，β=0．8，λ=0．8，δ=0．3，＜k＞=15的条件下，微博中无知者、传播者、冬眠者、免疫者四类人的数量(这里是用每一类群体数量占种群总数量的比例，即密度来表示的)随时间的变化如图2所示．3．1四类人所占比例随时间的变化由图2可以看出，随着时间的推移，无知者的数量(表现在图中即为密度)在不断减少，并且在某一段时间内其数量迅速减少，最终缓慢地趋向于零．传播者在信息传播前期其数量不断增大，之后随着时间推移慢慢趋于零，最终消失．免疫者一开始数量逐渐增大，然后在信息传播的末期，由于大部分人已经对该信息有所了解却不再去向他人传播，此时除了极少数对该信息依然处于无知者状态，剩下的便全都成为了免疫者．冬眠者的数量开始在不断增大，达到一定值的时候，慢慢降下来，最后其数量慢慢趋于平稳状态，这正是由于领袖传播者的唤醒作用所导致．以上分析就是这四类人的数量变化．图2四类人的密度时间的变化3．2唤醒率δ仿真与分析本文根据实际情况加入了对唤醒率这个参数的考量，通过δ来衡量领袖传播者对冬眠者的唤醒力．本节通过Matlab来模拟唤醒率对现实中这三类人的数量以及变化速度的影响．在图3中，均设定λ=0．8，α=1，β=0．8，＜k＞=15，唤醒率δ分别等于0．6，0．7，0．8．由图3(A)可知，唤醒率δ越第6期李玲，等:基于复杂社会网络的微博营销理论·747·
【相似文献】
相关期刊论文 前10条
1 杨丽沙;唐光斌;;网络社会正能量的传播促进[J];赤子(中旬);2013年11期
2 郭芸生;医学摄影与医学信息传播[J];湖北三峡学院学报;2000年02期
3 柳丹枫;论网络传播的负面效应及其对策[J];中共福建省委党校学报;2002年05期
4 梁潇;刘维学;;关于微时代下不良信息传播的危害及治理对策研究[J];辽宁师专学报(自然科学版);2014年01期
5 陈立平;;加强图书馆信息传播建设的建议和措施——以黑龙江科技学院图书馆为例[J];农业图书情报学刊;2010年07期
6 章凌骁;;微博营销新热土[J];新闻传播;2012年02期
7 冯和平;王鹤洁;;微博中信息传播的监管与控制策略[J];科技传播;2013年18期
8 秦礼强;;自媒体时代下微博热的思考[J];青年文学家;2014年11期
9 马继刚;;企业微博营销策略分析[J];现代营销(学苑版);2012年05期
10 郭峥;张明西;;微博中的社会群体初探[J];东南传播;2011年04期
本文编号：2696323
本文链接：https://www.wllwen.com/guanlilunwen/yingxiaoguanlilunwen/2696323.html
